3.1 线性回归
线性模型的目的是通过学习得到一个属性线性组合的预测函数，基本形式为：f(x) = w1x1 + w2x2 + ... + wnxn + b
机器学习中一般用向量形式表示，即：f(x) = wTx + b，通过学习得到w和b，模型即得以确定。
那么什么样的w和b是我们想要的呢？也就是我们想通过学习得到怎样的w和b呢？
假设yi是第i个样本的真实结果，f(xi) = wxi + b是计算得到的预测结果，显然，使得f(xi)最接近yi的w和b就是我们想要的，对于总体样本来说，使得n个样本的总体预测结果最接近总体真实结果的w和b，自然就是我们想要学习得到的最终结果。
3.2 线性几率回归
对于二分类任务来说，我们一般使用sigmoid函数，也即对数几率函数（也就是神经网络中经常使用的逻辑回归）：
它的图形为：
在神经网络中，经常用到sigmoid函数作为激活函数或解决二分类问题，对于多分类，则较多使用softmax函数。
3.3 线性判别分析
线性判别分析LDA的原理是将样例肉应到一条直线上，使同类样例的投影点尽可能接近，而异类样例的投影点则尽可能远，对于新样例来说，将它投影到直线上，根据投影点的位置远近即可完成样例分类，下面是示意图：
3.4 多分类学习
现实中我们经常遇到不只两个类别的分类问题，即多分类问题，在这种情形下，我们常常运用“拆分”的策略，通过多个二分类学习器来解决多分类问题，即将多分类问题拆解为多个二分类问题，训练出多个二分类学习器，最后将多个分类结果进行集成得出结论。最为经典的拆分策略有三种：“一对一”（OvO）、“一对其余”（OvR）和“多对多”（MvM），核心思想与示意图如下所示。
OvO：给定数据集D，假定其中有N个真实类别，将这N个类别进行两两配对（一个正类/一个反类），从而产生N（N-1）/2个二分类学习器，在测试阶段，将新样本放入所有的二分类学习器中测试，得出N（N-1）个结果，最终通过投票产生最终的分类结果。
OvM：给定数据集D，假定其中有N个真实类别，每次取出一个类作为正类，剩余的所有类别作为一个新的反类，从而产生N个二分类学习器，在测试阶段，得出N个结果，若仅有一个学习器预测为正类，则对应的类标作为最终分类结果。
MvM：给定数据集D，假定其中有N个真实类别，每次取若干个类作为正类，若干个类作为反类（通过ECOC码给出，编码），若进行了M次划分，则生成了M个二分类学习器，在测试阶段（解码），得出M个结果组成一个新的码，最终通过计算海明/欧式距离选择距离最小的类别作为最终分类结果。